A Feature Extraction Pipeline for Enhancing Lightweight Neural Networks in sEMG-based Joint Torque Estimation

1. 문제 정의 (Problem Statement)

• 배경: 로봇 보조 재활 (Robot-assisted rehabilitation) 은 사용자의 필요에 맞춰 적응하는 외골격 시스템의 구현을 위해 사용자의 관절 토크를 정확하게 예측하는 것이 필수적입니다.
• 기존 한계:
  • 기존 연구들은 관절 토크를 직접 측정하거나 (센서/기계장치), Hill-type 과 같은 근골격계 모델을 사용했으나, 이러한 모델들은 수많은 파라미터 측정이 필요하여 구축이 어렵고 비실용적입니다.
  • 머신러닝 (ML) 기반 접근법이 대두되었으나, 시계열 의존성을 명시적으로 모델링하는 복잡한 아키텍처 (예: TCN, RNN, CNN) 는 대규모 데이터셋과 높은 계산 비용을 요구합니다.
  • 재활 환경에서는 환자의 피로로 인해 데이터 수집이 제한적이며, 실시간 적용을 위해 경량화된 모델이 필요하나, 단순한 모델 (MLP 등) 은 시계열 특성을 잘 포착하지 못해 성능이 떨어지는 문제가 있었습니다.
• 핵심 질문: 복잡한 시계열 모델 없이도, 고급 특징 추출 파이프라인을 통해 단순한 신경망 (MLP) 이 시계열 의존성을 효과적으로 학습하여 정교한 모델 (TCN) 과 유사하거나 더 나은 성능을 낼 수 있는가?

2. 방법론 (Methodology)

A. 실험 설계 및 데이터 수집

• 참가자: 건강한 남성 1 명 (24 세).
• 데이터: 8 채널 표면 근전도 (sEMG) 신호와 모션 캡처 (Qualisys) 데이터를 동시 수집.
• 조건:
  • 하중: 0 kg, 1.10 kg, 1.85 kg (3 가지).
  • 동작: 그립 (Grasping, 전완 신전/굴곡) 과 복합 동작 (Complex, 어깨 및 팔꿈치 굴곡/신전, 외전/내전).
• 참조 토크 (Ground Truth): 정적 평형 (Static Equilibrium) 가정 하에 관성 모멘트와 중력력을 기반으로 계산된 관절 토크 (팔꿈치, 앞어깨, 옆어깨) 를 목표로 사용.

B. 제안된 특징 추출 파이프라인 (Feature Extraction Pipeline)

원시 sEMG 신호를 기계학습 모델에 최적화된 특징으로 변환하는 다단계 프로세스:

1. 전처리 (Preprocessing):
   • 노이즈 제거를 위한 밴드패스 필터 (15Hz ~ 225Hz, Butterworth).
   • 진폭 변동을 포착하기 위한 분산 기반 필터링 (Variance-based filter).
   • 정규화: 조건별 정규화 (Condition-specific normalization) 적용 (각 하중/동작 조건별로 최대 진폭을 기준으로 0~1 로 스케일링).
2. 신경 활성화 모델링 (Neural Activation):
   • 근수축 지연 (Electromechanical delay) 을 고려한 2 차 차분 방정식을 통해 EMG 신호를 신경 활성화 신호 $p(t)$ 로 변환.
3. 특징 추출 (Feature Extraction):
   • 시간 영역: RMS, 파형 길이 (WL), 기울기 부호 변화 (SSC) 등.
   • 주파수 영역: 멀티테이퍼 (Multitaper) 방법을 이용한 주파수 대역 전력 (BP).
   • 시간 - 주파수 영역: Morlet 웨이블릿 변환 (MWT) 을 통한 비정상 신호의 스펙트럼 변화 포착.
4. 후처리:
   • PCA 를 통한 차원 축소 및 표준화.
   • 카테고리 변수 (하중, 동작 유형) 에 대한 원-핫 인코딩 (One-hot encoding).
   • 히스토리 스택킹 (History Stacking): 시계열 의존성을 학습하기 위해 이전 윈도우의 특징을 스택하여 입력.

C. 비교 모델

• MLP (Multilayer Perceptron): 제안된 특징 추출 파이프라인을 입력으로 받는 경량 피드포워드 신경망.
• TCN (Temporal Convolutional Network): 시계열 의존성을 명시적으로 모델링하도록 설계된 모델.
  • TCN 조건 1: 원시 전처리 시간 점 (Time points) 만 입력.
  • TCN 조건 2: 제안된 특징 추출 파이프라인 적용.

3. 주요 기여 (Key Contributions)

1. 효율적인 특징 추출 파이프라인 개발: sEMG 신호의 비정상적 특성과 시계열 의존성을 포착하기 위해 시간, 주파수, 시간 - 주파수 영역의 특징을 통합하고 신경 활성화 모델을 적용한 파이프라인을 제안.
2. 경량 모델의 성능 극대화: 복잡한 시계열 모델 (TCN) 없이도, 단순한 MLP 가 제안된 특징 추출을 통해 시계열 의존성을 효과적으로 학습할 수 있음을 입증.
3. 데이터 제한 환경 최적화: 소량의 데이터 (단일 피험자) 로도 높은 정확도를 달성할 수 있는 방법을 제시하여, 환자별 맞춤형 재활 로봇의 실시간 적용 가능성을 높임.

4. 실험 결과 (Results)

• 정규화 전략 비교: 조건별 정규화 (Condition-specific) 가 전 데이터셋 통합 정규화 (Global) 보다 성능이 우수함 (특히 0kg 조건이 포함될 때 R² 값이 크게 향상됨).
• MLP vs TCN 성능 비교 (전체 데이터셋 기준):
  • RMSE (평균 제곱근 오차):
    • 팔꿈치: MLP (0.963 Nm) ≈ TCN (0.964 Nm)
    • 앞어깨: MLP (1.403 Nm) < TCN (1.563 Nm) (MLP 우세)
    • 옆어깨: MLP (1.434 Nm) < TCN (1.494 Nm) (MLP 우세)
  • R² (결정 계수): MLP 가 TCN 보다 어깨 관절에서 더 높은 R² 값을 기록하여 진폭 변화와 시간적 역학을 더 잘 포착함.
  • 상관 계수 (Pearson's ρ): MLP 가 TCN 보다 높은 상관 계수를 보임 (예: 앞어깨 0.915 vs 0.899).
• TCN 에 대한 파이프라인 효과: TCN 에도 제안된 파이프라인을 적용하면 성능이 추가적으로 향상됨 (특히 어깨 관절).

5. 의의 및 결론 (Significance & Conclusion)

• 기술적 통찰: 복잡한 시계열 신경망 (TCN) 이 반드시 필요한 것은 아니며, 고품질의 특징 추출을 통해 단순한 MLP(MLP) 가 시계열 의존성을 효과적으로 학습할 수 있음을 증명했습니다.
• 실용적 가치:
  • 재활 환경과 같이 데이터가 제한적이고 계산 자원이 부족한 상황에서 매우 유용합니다.
  • 경량화된 모델 (MLP) 은 실시간 처리 속도가 빠르고 구현이 용이하여, 개인 맞춤형 외골격 로봇의 제어 시스템에 직접 적용하기 이상적입니다.
• 향후 과제: 역동역학 (Inverse dynamics) 을 이용한 참조 토크 계산 정확도 향상, 온라인 (실시간) 구현, 그리고 다양한 사용자 대상의 체계적인 임상 연구가 필요하다고 결론지었습니다.

이 논문은 sEMG 기반 관절 토크 추정 분야에서 "복잡한 모델" 대신 "정교한 특징 공학"이 더 효율적인 해결책이 될 수 있음을 보여주는 중요한 사례입니다.